意大利研究人员已经表明，有可能将量子比特(或量子比特)传送到可能被称为现实世界的情况中。他们通过让人工智能做大部分思考来做到这一点。量子比特转移现象并不新鲜，但由米兰光子学和纳米技术研究所的Enrico Prati领导的这项工作是第一个在系统偏离理想条件的情况下进行的工作。
此外，这是第一次将一类称为深度强化学习的机器学习算法应用于量子计算问题。
该研究结果发表在“ 通信物理 ”杂志的一篇论文中。
量子计算的一个基本问题是找到一种快速可靠的方法来移动量子比特 - 量子信息的基本部分 - 在机器中。这条信息由单个电子编码，该电子必须在两个位置之间移动而不通过其间的任何空间。
在所谓的“绝热”或热力学量子计算方法中，这可以通过将特定序列的激光脉冲应用于奇数个量子点的链- 可以放置电子的相同位点来实现。
这是一个纯粹的量子过程，这个问题的解决方案是由赫尔辛基物理学院的尼古拉·维塔诺夫于1999年发明的。鉴于其本质，与常识的直觉相距甚远，这种解决方案被称为“反直觉”序列。
然而，该方法仅适用于理想条件下，此时电子状态不受干扰或扰动。
因此，Prati及其同事米兰大学的Riccardo Porotti和Dario Tamaschelli以及米兰理工学院的Marcello Restelli采取了不同的方法。
“我们决定测试深度学习的人工智能，这已经被人们广泛讨论过在Go游戏中击败世界冠军，以及更严肃的应用，如识别乳腺癌，将其应用于量子计算机领域，“普拉蒂说。
深度学习技术基于排列在不同层中的人工神经网络，每个层都计算下一层的值，以便更加完整地处理信息。
通常，对问题的一组已知答案用于“训练”网络，但是当这些不为人知时，可以使用另一种称为“强化学习”的技术。
在这种方法中，使用了两个神经网络：“演员”的任务是寻找新的解决方案，“评论家”必须评估这些解决方案的质量。研究人员提供了一种可靠的方法来判断各自的结果，这两个网络可以独立地检验问题。
然后，研究人员建立了这种人工智能方法，将其分配给发现如何控制量子比特的任务。
“所以，我们让人工智能找到自己的解决方案，而不是给出它的先入之见或例子，”普拉蒂说。“它发现了另一种比原来更快的解决方案，而且当出现干扰时它会适应。”
换句话说，他补充说，人工智能“已经理解了这种现象，并且比我们更好地推广了结果”。
“就像我们还没有任何解决方案一样，即使在我们还没有任何解决方案的情况下，仿佛人工智能就能够自己发现如何传送量子比特而不管干扰，”他解释道。
“通过这项工作，我们已经证明量子计算机的设计和控制可以从人工智能的使用中受益。